Normalizing Flows
PulseAugur coverage of Normalizing Flows — every cluster mentioning Normalizing Flows across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
AI利用归一化流加速大型强子对撞机探测器模拟
研究人员开发了一种使用微调归一化流（NFs）的新方法，以加速大型强子对撞机粒子探测器响应的模拟。该方法解决了ALICE零度量能器传统蒙特卡洛模拟的计算成本问题。通过采用迁移学习和针对不同粒子类型微调专用模型，新框架显著提高了模拟效率和准确性，在各种与物理相关的指标上均优于现有方法。
-
新的TORF框架提高了概率时间序列预测的准确性
研究人员引入了两阶段奇余流（TORF），一个旨在提高概率时间序列预测的创新框架。TORF通过解耦这两个方面来解决灵活分布建模和准确均值预测之间的常见权衡。该方法首先使用预训练的确定性模型进行精确的均值预测，然后使用限制性归一化流学习残差分布，同时保持初始均值估计。这种方法旨在实现高精度的点预测和稳健的密度估计。
-
归一化流减少晶格量子色动力学计算中的方差
研究人员开发了一种使用归一化流来减少晶格量子色动力学（QCD）计算中方差的方法。该方法已应用于SU(3)杨-米尔斯理论和两夸克量子色动力学中的胶子算子插入，在胶球关联函数和与强子结构相关的矩阵元中实现了10-60的方差减少因子。该技术展示了计算优势，并且方差减少在很大程度上独立于晶格体积，从而实现了优化的训练成本。
-
新的CAN-FLOW框架为虚拟队列生成逼真的心脏解剖结构
研究人员开发了CAN-FLOW，一个用于为虚拟队列生成逼真心脏解剖数据的新框架。该方法利用条件归一化流，根据性别、年龄和体重指数等因素对解剖变异性进行建模。CAN-FLOW在2,208名英国生物银行受试者的数据上进行了训练，在重现临床表型分布和解剖趋势方面，其性能优于条件变分自编码器。该框架旨在解决心脏数字孪生研究中的数据限制问题，并促进计算机模拟临床试验工作流程。
-
生成模型增强蒙特卡洛采样技术 · 2 篇论文
两篇最新的 arXiv 论文探讨了使用生成模型来增强复杂概率分布中采样技术的应用。第一篇论文介绍了一种面向 Lévy 驱动生成模型的生成器引导逆采样方法，将逆过程分解为扩散、小跳跃和大跳跃分量，以提高可解释性和可控性。第二篇论文回顾了使用生成模型（如归一化流和扩散模型）辅助蒙特卡洛采样的兴起范式，特别适用于高维和多模态分布，为物理学和机器学习研究人员提供了教程。
-
新技术的归一化流用于高效的多模态后验估计
研究人员开发了一种使用归一化流进行摊销后验估计的新方法，该方法通过似然加权重要性采样进行训练。该技术可以在高维逆问题中高效地推断理论参数，而无需后验训练样本。研究强调了基分布拓扑的重要性，发现标准的单峰分布无法捕捉断开的模式，导致出现虚假的概率桥接。使用与目标模式基数匹配的高斯混合模型初始化流可以显著提高重建保真度。
-
新的随机投影流框架用于流形密度估计
研究人员推出了一种名为随机投影流（RPF）的新型框架，该框架旨在对位于低维流形上或附近的复杂高维数据进行高效密度估计。该方法利用了随机矩阵理论和随机投影几何的工具，使用随机半正交矩阵将数据投影到低维潜在空间。与主成分分析流或学习到的内射映射等现有方法不同，RPF被呈现为一种即插即用、高效的解决方案，其里奇流形体积校正项具有封闭形式的表达式，为生成模型提供了强大的基线。
-
人工智能系统现在可以更谨慎地检测低图像质量下的物体
研究人员开发了一种新方法，用于提高人工智能系统在面对低质量图像数据时的可靠性，尤其是在自动驾驶领域。该方法采用一种“故障降级”系统，该系统根据估计的图像质量降低网络的置信度阈值，从而在不确定的条件下实现更谨慎的物体检测。该方法利用归一化流将输入图像与训练数据进行比较，使人工智能能够更好地处理噪声或黑暗，而无需备用解决方案，从而增强了对人工智能系统的信任。
-
新的 HLSF 框架使用机器学习融合增强网络异常检测
研究人员开发了一个名为混合潜在结构融合 (HLSF) 的新框架，以改进网络异常检测。该方法结合了两种强大的无监督机器学习技术：用于结构异常分数的 CANDECOMP-PARAFAC 交替泊松回归 (CP-APR) 和用于潜在空间密度分数的归一化流。在洛斯阿拉莫斯国家实验室 (LANL) 泄露的用户凭证数据集上进行的实验表明，HLSF 的性能优于单独使用 CP-APR 或归一化流。
-
新的NFTR方法通过避免模式崩溃改进离线目标条件RL
研究人员推出了一种新颖的离线目标条件强化学习方法NFTR（Normalizing Flows subgoal policies with Triangle-slack Reweighting）。NFTR通过使用条件归一化流（conditional Normalizing Flow）替换标准高斯策略，从而避免模式崩溃，解决了现有分层隐式Q学习（HIQL）的局限性。此外，它还引入了三角松弛分数（triangle slack score）来…
-
新工具Memisis简化了健康数据集的合成数据生成
研究人员开发了Memisis，一种旨在简化表格健康合成数据集的创建和评估的新型工具。该系统集成了各种合成库、大型语言模型和先进的评估指标，以确保隐私、效用和公平性。Memisis提供手动配置和交互式代理模式，允许用户用自然语言指定数据生成目标。该工具使用精神分裂症数据集进行了演示，评估了包括GAN、VAE、扩散模型和归一化流在内的六种不同的合成器。
-
AI模型增强了脉冲星计时数据中双黑洞的检测
研究人员开发了一种新颖的Transformer模型，该模型采用了物理信息的位置编码，以提高在脉冲星计时数据中检测偏心双黑洞的能力。该方法将分析性引力波相位演化直接嵌入模型中，使其能够从原始计时残差中学习更有意义的表示。通过在基于仿真的推理框架内利用生成模型，该方法与不考虑物理因素的基线相比，实现了更高的准确性、更清晰的后验分布和更快的推理速度，为未来的脉冲星计时阵列分析提供了一种可扩展的替代方案。
-
新框架通过稳定的全局加权增强了归一化流
研究人员开发了 AMF-VI-sEMA，一种用于归一化流的新型两阶段框架，旨在改进近似推理。该方法使用基于单纯形指数移动平均 (sEMA) 更新的稳定全局加权机制。该框架在第一阶段独立训练多个专家架构，然后在第二阶段学习全局混合权重，从而避免了组件崩溃和计算开销。
-
人工智能驱动的轨道确定使用归一化流进行近地月空间导航
研究人员通过将生成模型应用于仅角度测量，开发了一种在近地月空间环境中进行轨道确定的新方法。该方法将问题表述为条件密度估计，使用在扰动观测上训练的归一化流。然后，训练好的模型可以从新的测量中生成统计上一致且符合物理信息的状态假设，这些假设随后通过经典算法进行优化以提高精度。
-
引入用于参数相关密度变形的可因子化归一化流 · 跟踪到2个来源
研究人员引入了可因子化归一化流（FNFs），这是一种新颖的方法，旨在模拟概率密度如何随连续参数变化。这种方法解决了为每种参数配置学习单独流的难以处理的问题，尤其是在高能物理等领域。FNFs通过将参考配置的固定流与可学习的、在参数上是多项式和可因子化的变换相结合来实现这一点，从而允许孤立地学习每个参数的影响。该方法提供了可解释性，与参数数量呈线性关系，并保持了可处理的似然性，为科学推理中的密度变形提供了一个通用工具。
-
流匹配研究推动生成模型和逆问题发展 · 跟踪10个来源
近期研究探索了用于生成模型和逆问题的流匹配技术的进展。论文介绍了用于高效多模态基于仿真的后验估计的FUSE，用于具有不确定性量化的稳定逆设计的对角流匹配（Diag-CFM），以及用于约束生成的拉格朗日对偶流。其他工作侧重于用于改进期望估计的得分正则化联合采样以及扩散和流匹配采样器的渐近保持分析。此外，流匹配正应用于稀疏视图CT重建和地球物理反演，展示了其在各种科学和工程领域的通用性。
-
正态流被证明是强化学习中连续控制的强大模型
研究人员已经证明，正态流（NF）是强化学习（RL）中连续控制任务的强大模型。与普遍认为NF缺乏足够表现力的观点相反，本文提出了一种单一的NF架构，可以无缝集成到RL算法中，用于策略、Q函数和占用测度等各种功能。这种集成简化了RL算法，并在模仿学习、离线RL、目标条件RL和无监督RL中取得了优越的性能。
-
新型自回归玻尔兹曼生成器利用LLM架构进行分子采样
研究人员推出了一种名为自回归玻尔兹曼生成器（ArBG）的新框架，旨在改进热力学平衡下分子系统的采样。与依赖归一化流的先前方法不同，ArBG采用了自回归建模方法，借鉴了大型语言模型中有效的架构。这一新颖的框架规避了基于流的模型限制，提供了更高的可扩展性和性能，尤其是在较大的肽系统中。该论文还介绍了Robin，一个拥有1.32亿参数、使用ArBG训练的模型，该模型显著降低了小型肽系统的能量误差，性能优于先前的最先进模型。
-
DeCoFlow 通过新颖的 NF 分解解决持续异常检测问题
研究人员开发了 DeCoFlow，一种用于工业环境中持续异常检测的新颖方法。该方法通过将子网络分解为固定的通用基础和特定任务的低秩适配器，解决了归一化流（NFs）中的灾难性遗忘问题。DeCoFlow 在 MVTec-AD 和 VisA 等基准数据集上保持了 NFs 的可逆性和雅可比有效性，并取得了最先进的性能，每个任务的参数开销极小。
-
MIMFlow 集成掩码图像建模与归一化流，实现高级图像生成
研究人员推出 MIMFlow，一个将掩码图像建模 (MIM) 与归一化流 (NF) 集成以增强端到端图像生成的新颖框架。该方法使用 VAE 编码器从掩码图像中提取语义潜在表示，使归一化流能够专注于简化的语义流形，而解码器则处理高频合成。这种解耦解决了 NF 中的容量瓶颈，优先考虑全局连贯性而非像素级细节。MIMFlow-L 在 ImageNet 256x256 上表现强劲，线性探测准确率达到 71.3%，FID 为 2.50，尽管使用…